CN110930443B - 图像配准方法、装置及终端设备 - Google Patents
图像配准方法、装置及终端设备 Download PDFInfo
- Publication number
- CN110930443B CN110930443B CN201911182551.3A CN201911182551A CN110930443B CN 110930443 B CN110930443 B CN 110930443B CN 201911182551 A CN201911182551 A CN 201911182551A CN 110930443 B CN110930443 B CN 110930443B
- Authority
- CN
- China
- Prior art keywords
- image
- registration
- point cloud
- registered
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 230000009466 transformation Effects 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 25
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000013519 translation Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 22
- 238000004891 communication Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001131 transforming effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2016—Rotation, translation, scaling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Architecture (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本申请适用于图像处理技术领域，提供了图像配准方法、装置及终端设备，该图像配准方法包括：获取待配准图像和目标图像；其中，所述待配准图像包含相对应的第一点云的位置和第一灰度，所述目标图像包含第二点云的位置；根据所述目标图像中的配准点与所述第一点云中各点之间的距离，对所述第一点云进行目标变换得到待配准点云；基于所述待配准点云和所述第一灰度，对所述待配准图像和目标图像进行图像配准。本申请能够快速地实现待配准图像和目标图像之间的配准，而且配准的精度较高。
Description
技术领域
本申请属于图像处理技术领域，尤其涉及图像配准方法、装置及终端设备。
背景技术
近年来，医学图像配准作为医学图像处理的关键技术之一，具有很高的临床和实践价值。不同于骨头的刚性配准，对于软体组织来说，其形变更加复杂，相对来说图像间的变化也更多，配准的方法也会更加复杂。目前，常见的非刚性配准方法有Horn-Schunck光流法、Demons算法、快速Demons算法、水平集算法以及B样条的FFD模型算法等。而上述图像配准方法存在配准速度变慢、效率变低等问题。
发明内容
为克服相关技术中存在的问题，本申请实施例提供了图像配准方法、装置及终端设备。
本申请是通过如下技术方案实现的：
第一方面，本申请实施例提供了一种图像配准方法，包括：
获取待配准图像和目标图像；所述待配准图像包含相对应的第一点云的位置和第一灰度，所述目标图像包含第二点云的位置；
根据所述目标图像中的配准点与所述第一点云中各点之间的距离，对所述第一点云进行目标变换得到待配准点云；
基于所述待配准点云和所述第一灰度，对所述待配准图像和目标图像进行图像配准。
在第一方面的一种可能的实现方式中，所述方法还包括确定所述目标图像中的配准点的步骤；
所述确定所述目标图像中的配准点的步骤，包括：
计算所述第二点云中的任一点与所述第一点云中各点之间的距离；
将所述第二点云中距离最小值对应的点作为所述配准点。
在第一方面的一种可能的实现方式中，所述根据所述目标图像中的配准点与所述第一点云中各点之间的距离，对所述第一点云进行目标变换得到待配准点云，包括：
根据所述配准点与所述第一点云中各点之间的距离与预设范围的关系，确定所述目标变换；其中，所述目标变换包括平移和/或旋转；
基于所述目标变换对所述第一点云进行平移和/或旋转，得到所述待配准点云；
其中，所述待配准点云与所述第一灰度对应。
在第一方面的一种可能的实现方式中，所述基于所述待配准点云和所述第一灰度，对所述待配准图像和目标图像进行图像配准，包括：
根据预设配准精度，确定对所述待配准点云进行B样条变换的控制点对应的控制网格；
基于所述控制网格对所述待配准点云进行B样条变换，并对所述B样条变换后的结果进行灰度赋值；
根据经过所述灰度赋值后的第三灰度与所述第二点云的第二灰度，确定所述待配准图像与所述目标图像的配准程度；
在所述配准程度小于阈值的情况下，完成对所述待配准图像与所述目标图像的配准；
在所述配准程度大于或等于所述阈值的情况下，对所述控制网格进行更新，并执行所述基于所述控制网格对所述待配准点云进行B样条变换的步骤。
在第一方面的一种可能的实现方式中，所述根据经过所述灰度赋值后的第三灰度与所述第二点云的第二灰度，确定所述待配准图像与所述目标图像的配准程度，包括：
根据所述第二灰度与所述第三灰度的第一差值和所述第二灰度与所述第一灰度的第一差值的商，确定所述待配准图像与所述目标图像的配准程度。
示例性的，可以通过
确定所述待配准图像与所述目标图像的配准程度RSSD；
其中，I1表示所述第二灰度，I0表示所述第一灰度，T表示所述目标变换，I0oT表示所述第三灰度。
在第一方面的一种可能的实现方式中，所述对所述控制网格进行更新，包括：
根据上一次的控制网格、预设步长、所述配准程度及所述配准程度的梯度，确定下一次的控制网格。
在第一方面的一种可能的实现方式中，所述方法还包括：
通过三维模型对所述待配准图像和所述目标图像进行重建分割，确定所述第一点云的位置和所述第一灰度，以及所述第二点云的位置和所述第二点云的第二灰度。
第二方面，本申请实施例提供了一种图像配准装置，包括：
图像获取模块，用于获取待配准图像和目标图像；其中，所述待配准图像包含相对应的第一点云的位置和第一灰度，所述目标图像包含第二点云的位置；
变换模块，用于根据所述目标图像中的配准点与所述第一点云中各点之间的距离，对所述第一点云进行目标变换得到待配准点云；
配准模块，用于基于所述待配准点云和所述第一灰度，对所述待配准图像和目标图像进行图像配准。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的图像配准方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述的图像配准方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的图像配准方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例，根据目标图像中的配准点与待配准图像的第一点云中各点之间的距离，对第一点云进行目标变换得到待配准点云，再基于待配准点云和第一灰度对待配准图像和目标图像进行图像配准，由于在对待配准图像和目标图像进行图像配准之前，先对待配准图像进行了目标变换，因此能够快速地实现待配准图像和目标图像之间的配准，而且配准的精度较高。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的图像配准方法的应用环境示意图；
图2是本申请一实施例提供的图像配准方法的流程示意图；
图3是本申请一实施例提供的图像配准方法的流程示意图；
图4是本申请一实施例提供的图像配准方法的流程示意图；
图5是本申请一实施例提供的图像配准方法的流程示意图；
图6是本申请一实施例提供的B样条空间域的示意图；
图7是本申请一实施例提供的图像配准方法的流程示意图；
图8是本申请一实施例提供的图像配准装置的结构示意图；
图9是本申请一实施例提供的图像配准装置的结构示意图；
图10是本申请一实施例提供的终端设备的结构示意图；
图11是本申请一实施例提供的图像配准方法所适用于的计算机的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
近年来，医学图像配准作为医学图像处理的关键技术之一，具有很高的临床和实践价值。不同于骨头的刚性配准，对于软体组织来说，其形变更加复杂，相对来说图像间的变化也更多，配准的方法也会更加复杂。目前，常见的非刚性配准方法有Horn-Schunck光流法、Demons算法、快速Demons算法、水平集算法以及B样条的FFD模型算法等。几种算法中，B样条的FFD模型算法具有良好对的局部形变控制的特性：一个控制点的移动只会影响到相邻的控制点，并且只会对图像局部产生影响，不会对整个图像造成影响。因此，B样条的FFD模型算法在弹性配准上具有很大优势。
目前对于弹性配准来说，FFD模型基于B样条的变换具有良好的局部形变的建模能力，对复杂的几何形体的自由度也没有限制，但是发明人在研究过程中发现：在进行粗配准时，如果两幅图像之间平移和旋转的因素较多，直接使用B样条配准会使得配准速度变慢，效率变低。
基于上述问题，本申请实施例中的图像配准方法，根据目标图像中的配准点与待配准图像的点云中各点之间的距离，对待配准图像的点云进行目标变换得到待配准点云，再基于待配准点云和待配准图像的灰度对待配准图像和目标图像进行图像配准，由于在对待配准图像和目标图像进行图像配准之前，先对待配准图像进行了目标变换，因此能够快速地实现待配准图像和目标图像之间的配准，而且配准的精度较高。
举例说明，本申请实施例可以应用到如图1所示的示例性场景中，在该场景中，扫描设备10对人体的某个部位进行扫描，得到该部位的扫描图像(可以作为待配准图像)，并将该扫描图像发送给图像配准设备20。图像分割设备20获取到该扫描图像后，根据目标图像中的配准点与该扫描图像的点云中各点之间的距离，对该扫描图像的点云进行目标变换得到待配准点云，再基于待配准点云和该扫描图像的灰度对该扫描图像和目标图像进行图像配准。
需要说明的是，上述应用场景作为示例性说明吗，并不用于限定本申请实施例实施时的应用场景，事实上，本申请实施例也可以应用于其它应用场景中。比如，在另一些示例性应用场景中，也可以是由医务人员挑选待配准图像和目标图像发送给图像配准设备20等。
为了使本技术领域的人员更好地理解本发明方案，下面将结合图1，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
以下基于图1对本申请的图像配准方法、装置及终端设备进行详细说明。
图2是本申请一实施例提供的图像配准方法的示意性流程图，参照图2，对该图像配准方法的详述如下：
在步骤101中，获取待配准图像和目标图像。
其中，上述待配准图像可以包含相对应的第一点云的位置和第一灰度，上述目标图像可以包含第二点云的位置。
具体地，在获取到待配准图像和目标图像后，可以提取出待配准图像中的第一点云
的位置和第一灰度G0(xi,yi,zi)，以及目标图像中的第二点云
的位置和第二灰度G1(xi,yi,zi)，提取出的位置数据和灰度数据可以用于后续步骤。
需要说明的是，这里对如何提取出位置数据和灰度数据不做具体限定。
在步骤103中，根据所述目标图像中的配准点与所述第一点云中各点之间的距离，对所述第一点云进行目标变换得到待配准点云。
其中，可以根据目标图像中的配准点与第一点云中各点之间的欧式距离，对第一点云进行目标变换得到待配准点云。
具体地，目标变换可以为使得目标图像中的配准点与第一点云中各点之间的欧式距离均小于一定值所对应的变换T的组合。其中，第一点云中每一个点可以对应一个变换T，使得对该点进行该变换T后得到点与配准点之间的欧式距离，相对于在一定条件下其他变换得到的欧式距离更小。
具体地，参见图3，基于图2所示的实施例，步骤103可以通过以下步骤实现：
在步骤1031中，根据所述配准点与所述第一点云中各点之间的距离与预设范围的关系，确定所述目标变换。
其中，所述目标变换可以包括平移和/或旋转。
基于算法性能和效率的考虑，可以设置一个预设范围，在经过变换T后配准点与第一点云中各点之间的距离落入预设范围中，即可认为各个变换T构成了上述目标变换。
在步骤1032中，基于所述目标变换对所述第一点云进行平移和/或旋转，得到所述待配准点云。
其中，在确定了目标变换后，采用该目标变换对第一点云进行平移和/或旋转处理，得到上述待配准点云。例如，对于第一点云
在经过目标变换后得到待配准点云可以为
示例性的，变换后的点云
与目标图像的第二点云
之间各点的欧式距离和可以为：
其中，
表示对第一点云
经过目标变换T后得到的待配准点云
在经过目标变换得到待配准点云
之后，可以通过函数获取待配准点云
的位置信息，将该位置信息转化为矩阵
同时，可以利用三线性插值的方法，将第一灰度G0(xi,yi,zi)中的各个灰度值赋给待配准点云
中各个对应的点。此时，待配准点云
包括各个点的位置和灰度值。
一些实施例中，基于图2所示的实施例，在步骤103之前，上述图像配准方法还可以包括确定所述目标图像中的配准点的步骤。
示例性的，参见图4，基于图2所示的实施例，上述图像配准方法中确定目标图像中的配准点的步骤，可以包括：
在步骤102中，计算所述第二点云中的任一点与所述第一点云中各点之间的距离，将所述第二点云中距离最小值对应的点作为所述配准点。
其中，可以读取第一点云
和第二点云
的坐标，遍历
计算两点之间的欧式距离，在
中找到与第一点云
最接近的点。例如，可以利用ICP算法计算两点之间的欧式距离，本申请实施例对此不予限定。
示例性的，假设第一点云
中包括n个第一点，第二点云
中包括n个第二点，每个第一点对应一个第二点，计算每对第一点和第二点的距离，将距离最大值所对应的第二点作为配准点。
在步骤105中，基于所述待配准点云和所述第一灰度，对所述待配准图像和目标图像进行图像配准。
其中，在经过步骤103得到待配准点云
后，可以根据待配准点云
的位置和灰度值，对上述待配准图像和目标图像进行图像配准。
一些实施例中，参见图5，基于图2所示的实施例，步骤105可以通过以下步骤实现：
在步骤1051中，根据预设配准精度，确定对所述待配准点云进行B样条变换的控制点对应的控制网格。
其中，本步骤中可以确定上述待配准图像的像素空间和位置空间，并对上述待配准图像进行网格化处理。
示例性的，可以将待配准点云
进行网格化处理，生成三维网格，如图6所示，不同于二维图像网格化所用的像素网格，三维图像网格化后的最小单位是三维控制体素。
网格化处理之后的待配准点云
的像素点空间是已知的，基于B样条的FFD模型使用控制点来确定待配准点云
中像素点的位置，对待配准点云
中像素点可以通过三线性插值求得灰度，再将待配准点云
位置处的像素灰度赋值给第一点云
位置，该模型的参数变量是坐标位置，通过移动控制点来实现局部变形。所以在确定像素空间之后，需要进一步确定该图像的控制点集成的控制空间。
由于控制点移动范围由使用的B样条次数决定，对于三次B样条，每一个控制点移动范围为其临近的4×4×4的三维网格。同样的，一个控制点的变化将会影响周围4×4×4网格内的所有像素点。所以，控制空间要在像素空间的基础上左下前方向各扩展一个单位，在右上后方向各扩展两个单位，假设象素空间大小为m×n×l，则其相应的控制空间大小为(m+3)×(n+3)×(l+3)，同时将确定好的控制空间网格化。
把两组四维CT图像放入了图6所示的像素空间内之后，由于像素点以及坐标位置分布是不均匀的，在网格化之后需要利用三线性插值算法将原本点分布较为随机的像素点空间变转化为均匀空间。
为满足不同精度的配准需求，可以采用多分辨率的方法为不同等级的精度需求分别设定控制网格相应大小的分辨率。例如，当精度需求等级level为1时，初始控制网格大小为目标图像和待配准图像大小的1/2，当精度需求等级level为2的时候，初始控制网格大小为目标图像和待配准图像大小的1/4，当精度需求等级level为3的时候，初始控制网格大小为目标图像和待配准图像大小的1/8。假设待配准图像和目标图像大小一样，都是a×b×c，则等级1至3的初始控制网格大小分为
在步骤1052中，基于所述控制网格对所述待配准点云进行B样条变换，并对所述B样条变换后的结果进行灰度赋值。
本步骤中，在确定好待配准图像的像素空间和位置空间并进行网格化后，根据配准精度不同可以确定网格的大小，进而确定控制点的初始坐标位置。其中，控制点对像素点位置的确定可以采用B样条的方法，例如三维空间可以采用三次B样条变换，变换系数如下所示：
其中，β3(x)表示B样条变换系数函数，b0(x)、b1(x)、b2(x)和b3(x)起到权函数的作用，它根据控制点到像素点(x，y)的距离大小来加权每个控制点对f(x,y,z)位置函数，x表示控制点到所需要变换点的距离。
可以理解的，B样条变换系数可以看作是对控制点的加权函数，根据控制点到像素点的位置计算不同的加权系数，来控制不同控制点对位置函数f(x,y,z)的贡献。
一些实施例中，可以利用三线性插值的方法对B样条变换的结果进行灰度赋值。例如，可以将三维网格等分成n个单元的立体小格，每个小格都对应其灰度值h(x,y,z)；将新位置f(x,y,z)作为插值点，利用三线性插值算法计算该插值点的灰度值h'(x,y,z)。
在步骤1053中，根据经过所述灰度赋值后的第三灰度与所述第二点云的第二灰度，确定所述待配准图像与所述目标图像的配准程度。
一些实施例中，可以根据所述第二灰度与所述第三灰度的第一差值和所述第二灰度与所述第一灰度的第一差值的商，确定所述待配准图像与所述目标图像的配准程度。
例如，可以通过
确定所述待配准图像与所述目标图像的配准程度RSSD；其中，I1表示所述第二灰度，I0表示所述第一灰度，T表示所述目标变换，I0oT表示所述第三灰度。
可以理解的，计算得出的配准程度RSSD越大，对应的待配准图像和目标图像越接近于配准状态。
在步骤1054中，判断配准程度是否大于或等于阈值。
其中，一般来说一次配准运算并不能达到想要的配准状态，为了得到最好的目标变换，需要计算配准程度RSSD与阈值的关系，如果配准程度RSSD大于或等于阈值，则说明待配准图像和目标图像配准成功，如果配准程度RSSD小于阈值，则说明待配准图像和目标图像未配准成功，要进行下一次循环，多次迭代直到收敛或者迭代完毕。
在步骤1055中，在所述配准程度小于所述阈值的情况下，对所述控制网格进行更新，并执行所述基于所述控制网格对所述待配准点云进行B样条变换的步骤，直至所述配准程度大于或等于所述阈值，完成对待配准图像与目标图像的配准。
一些实施例中，可以根据上一次的控制网格、预设步长、所述配准程度及所述配准程度的梯度，确定下一次的控制网格，实现对控制网格进行更新。
示例性的，可以通过
确定下一次的控制网格，实现对控制网格进行更新。其中，φn表示下一次的控制网格，φn-1表示上一次的控制网格，
表示预设步长，
表示所述配准程度的梯度。
本实施例中，可以通过控制控制网格的大小φ实现对待配准图像从粗配准到细配准。具体地，φ越小对待配准图像的配准越精细，对待配准图像实现从粗配准到细配准。
示例性的，以控制网格的初始大小φ有三种选则为例进行说明，当需要实现快速配准时，可以选用控制网格的初始大小φ为
像素大小。精度需求level1、level2和level3时的控制网格的初始大小φ分别
和
其中，需要配准的精度越高，控制网格的初始大小φ就越小。初次配准之后再次计算配准程度的梯度
确定下一次配准时的控制网格大小；迭代计算
直到RSSD曲线收敛或者迭代次数最大，求出此时的RSSD以及目标变换T，得到配准图像h'(x)＝h(x)oTn。
参见图7，在一些实施例中，基于图2所示的实施例，上述图像配准方法还可以包括：
在步骤100中，通过三维模型对所述待配准图像和所述目标图像进行重建分割，确定所述第一点云的位置和所述第一灰度，以及所述第二点云的位置和所述第二点云的第二灰度。
其中，可以将经过CT扫描得到的图像，用Mimics三维重建和分割处理并输出相对应的位置值和灰度值，将位置值和灰度值作为输入，建立数据读取模型。
示例性的，可以读取4维CT图像I0的点云数据
和灰度矩阵G0(xi,yi,zi)，以及4维CT图像I1的点云数据
和灰度矩阵G1(xi,yi,zi)，其中i表示的是图像中的每个点的索引。其中，图像I0可以为待配准图像，图像I1以为目标图像。
可以首先取合适的模型大小，将图像I0中不需要配准的部分截去，然后读取点云数据
的坐标和
的坐标，将两幅图像的坐标数据放到三维模型空间m×n×l中，其中m、n、l的大小选择方法如下：
先找到待配准图像I0在x、y、z三个方向上的第一最大值和第一最小值，再找到目标图像I1在x、y、z三个方向上的第二最大值和第二最小值，然后比较第一最大值和第二最大值，以及第一最小值和第二最小值，将第一最大值和第二最大值中的较大者作为x、y、z三个方向上的最大值，将第一最小值和第二最小值中的较小者作为x、y、z三个方向上的最小值，根据该最大值和最小值得到模型的边界，确定m、n和l，形成数据读取模型，用于获取图像的位置数据和灰度数据。
本申请实施例中，先通过三维模型对待配准图像和目标图像进行重建分割，确定第一点云的位置和第一灰度，以及第二点云的位置和第二点云的第二灰度，从而直接输出位置数据以及对应点的灰度值，能够提高图像配准的精度和速度。
上述图像配准方法，根据目标图像中的配准点与待配准图像的第一点云中各点之间的距离，对第一点云进行目标变换得到待配准点云，再基于待配准点云和第一灰度对待配准图像和目标图像进行图像配准，由于在对待配准图像和目标图像进行图像配准之前，先对待配准图像进行了目标变换，因此能快速地实现待配准图像和目标图像之间的配准，而且配准的精度较高。
以下对本申请实施例进行了测试，以验证上述图像配准方法的性能。
针对同一组图像的不同模型，三个level(不同控制网格大小)，比较时间和效率，对比数据如下：
表1两种方法时间对比数据
表2两种方法精度对比数据
表1和表2中，Proposed method为本申请实施例的方法，Traditional B splines为传统的B样条模型，Traditional B splines-Proposed method为两者的差值，Group1至Group8为通过不同的待配准图像得出的数据。
基于表1和表2中的数据可知，上述图像配准方法对于不同控制网格大小，配准精度和速度均有提高。具体地，对于level 1、level 2和level 3三种控制网格，精度提高率分别为：11.772％、18.822％和2.7％，速度提高率分别为：-52.68％、60.85％和60.92％。综上可知，无论是精细配准还是粗配准，上述图像配准方法比起传统的B样条模型的配准精度要高；在速度上，尽管粗配准(level1)时平均慢52.68％，但是精度提高了11.772％，并且牺牲少量粗配准时间对精细配准时的(level2和level3)速度都有很大提升，总体效益远大于损失。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的图像配准方法，图8示出了本申请实施例提供的图像配准装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参见图8，本申请实施例中的图像配准装置可以包括图像获取模块201、变换模块203和配准模块205。
其中，图像获取模块201，用于获取待配准图像和目标图像；其中，所述待配准图像包含相对应的第一点云的位置和第一灰度，所述目标图像包含第二点云的位置；
变换模块203，用于根据所述目标图像中的配准点与所述第一点云中各点之间的距离，对所述第一点云进行目标变换得到待配准点云；
配准模块205，用于基于所述待配准点云和所述第一灰度，对所述待配准图像和目标图像进行图像配准。
参见图9，作为一种可实施方式，上述图像配准装置还可以包括配准点确定模块202。其中，配准点确定模块202，可以用于：
计算所述第二点云中的任一点与所述第一点云中各点之间的距离；
将所述第二点云中距离最小值对应的点作为所述配准点。
参见图9，作为一种可实施方式，变换模块203可以包括：
目标变换确定单元2031，用于根据所述配准点与所述第一点云中各点之间的距离与预设范围的关系，确定所述目标变换；其中，所述目标变换包括平移和/或旋转；
变换单元2032，用于基于所述目标变换对所述第一点云进行平移和/或旋转，得到所述待配准点云；
其中，所述待配准点云与所述第一灰度对应。
参见图9，作为一种可实施方式，配准模块205可以包括：
控制网格确定单元2051，用于根据预设配准精度，确定对所述待配准点云进行B样条变换的控制点对应的控制网格；
B样条变换单元2052，用于基于所述控制网格对所述待配准点云进行B样条变换，并对所述B样条变换后的结果进行灰度赋值；
配准程度确定单元2053，用于根据经过所述灰度赋值后的第三灰度与所述第二点云的第二灰度，确定所述待配准图像与所述目标图像的配准程度；
控制网格更新模块2054，用于在所述配准程度小于或等于所述阈值的情况下，对所述控制网格进行更新；
控制模块2055，用于控制所述B样条变换单元2052执行所述基于所述控制网格对所述待配准点云进行B样条变换的过程。
可选的，配准程度确定单元2053具体可以用于：
根据所述第二灰度与所述第三灰度的第一差值和所述第二灰度与所述第一灰度的第一差值的商，确定所述待配准图像与所述目标图像的配准程度。
可选的，控制网格更新模块2054具体可以用于：
根据上一次的控制网格、预设步长、所述配准程度及所述配准程度的梯度，确定下一次的控制网格。
参见图9，在一些实施例中，上述图像配准装置还可以包括：
图像信息确定模块200，用于通过三维模型对所述待配准图像和所述目标图像进行重建分割，确定所述第一点云的位置和所述第一灰度，以及所述第二点云的位置和所述第二点云的第二灰度。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种终端设备，参见图10，该终端设备300可以包括：至少一个处理器310、存储器320以及存储在所述存储器320中并可在所述至少一个处理器310上运行的计算机程序，所述处理器310执行所述计算机程序时实现上述任意各个方法实施例中的步骤，例如图2所示实施例中的步骤S101至步骤S105。或者，处理器310执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图8所示模块201至205的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器320中，并由处理器310执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段，该程序段用于描述计算机程序在终端设备300中的执行过程。
本领域技术人员可以理解，图10仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
处理器310可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器320可以是终端设备的内部存储单元，也可以是终端设备的外部存储设备，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。所述存储器320用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器320还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的图像分割方法可以应用于计算机、平板电脑、笔记本电脑、上网本、个人数字助理(personal digital assistant，PDA)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
以所述终端设备为计算机为例。图11示出的是与本申请实施例提供的计算机的部分结构的框图。参考图11，计算机包括：通信电路410、存储器420、输入单元430、显示单元440、音频电路450、无线保真(wireless fidelity，WiFi)模块460、处理器470以及电源480等部件。本领域技术人员可以理解，图11中示出的计算机结构并不构成对计算机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图11对计算机的各个构成部件进行具体的介绍：
通信电路410可用于收发信息或通话过程中，信号的接收和发送，特别地，将图像采集设备发送的图像样本接收后，给处理器470处理；另外，将图像采集指令发送给图像采集设备。通常，通信电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low Noise Amplifier，LNA)、双工器等。此外，通信电路410还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(Global System of Mobile communication，GSM)、通用分组无线服务(GeneralPacket Radio Service，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、长期演进(Long TermEvolution,LTE))、电子邮件、短消息服务(Short Messaging Service，SMS)等。
存储器420可用于存储软件程序以及模块，处理器470通过运行存储在存储器420的软件程序以及模块，从而执行计算机的各种功能应用以及数据处理。存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元430可用于接收输入的数字或字符信息，以及产生与计算机的用户设置以及功能控制有关的键信号输入。具体地，输入单元430可包括触控面板431以及其他输入设备432。触控面板431，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板431上或在触控面板431附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板431可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器470，并能接收处理器470发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板431。除了触控面板431，输入单元430还可以包括其他输入设备432。具体地，其他输入设备432可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元440可用于显示由用户输入的信息或提供给用户的信息以及计算机的各种菜单。显示单元440可包括显示面板441，可选的，可以采用液晶显示器(Liquid CrystalDisplay，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板441。进一步的，触控面板431可覆盖显示面板441，当触控面板431检测到在其上或附近的触摸操作后，传送给处理器470以确定触摸事件的类型，随后处理器470根据触摸事件的类型在显示面板441上提供相应的视觉输出。虽然在图11中，触控面板431与显示面板441是作为两个独立的部件来实现计算机的输入和输入功能，但是在某些实施例中，可以将触控面板431与显示面板441集成而实现计算机的输入和输出功能。
音频电路450可提供用户与计算机之间的音频接口。音频电路450可将接收到的音频数据转换后的电信号，传输到扬声器由扬声器转换为声音信号输出；另一方面，传声器将收集的声音信号转换为电信号，由音频电路450接收后转换为音频数据，再将音频数据输出处理器470处理后，经通信电路410以发送给比如另一计算机，或者将音频数据输出至存储器420以便进一步处理。
WiFi属于短距离无线传输技术，计算机通过WiFi模块460可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图10示出了WiFi模块460，但是可以理解的是，其并不属于计算机的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
处理器470是计算机的控制中心，利用各种接口和线路连接整个计算机的各个部分，通过运行或执行存储在存储器420内的软件程序和/或模块，以及调用存储在存储器420内的数据，执行计算机的各种功能和处理数据，从而对计算机进行整体监控。可选的，处理器470可包括一个或多个处理单元；优选的，处理器470可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器470中。
计算机还包括给各个部件供电的电源480(比如电池)，优选的，电源480可以通过电源管理系统与处理器470逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述图像配准方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述图像配准方法各个实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (7)
1.一种图像配准方法，其特征在于，包括：
获取待配准图像和目标图像；其中，所述待配准图像包含相对应的第一点云的位置和第一灰度，所述目标图像包含第二点云的位置；
根据所述目标图像中的配准点与所述第一点云中各点之间的距离，对所述第一点云进行目标变换得到待配准点云；
基于所述待配准点云和所述第一灰度，对所述待配准图像和目标图像进行图像配准，包括：
根据预设配准精度，确定对所述待配准点云进行B样条变换的控制点对应的控制网格；其中，将待配准点云进行网格化处理，生成三维网格；
基于所述控制网格对所述待配准点云进行B样条变换，并对所述B样条变换后的结果进行灰度赋值；其中，利用三线性插值的方法对B样本变换的结果进行灰度赋值，将所述三维网格等分成n个单元的立体小格，每个小格都对应灰度值h(x,y,z)；将新位置f(x,y,z)作为插值点，利用三线性插值算法计算所述插值点的灰度值h，(x,y,z)；
根据经过所述灰度赋值后的第三灰度与所述第二点云的第二灰度，确定所述待配准图像与所述目标图像的配准程度，包括：根据所述第二灰度与所述第三灰度的第一差值和所述第二灰度与所述第一灰度的第一差值的商，确定所述待配准图像与所述目标图像的配准程度；
在所述配准程度小于阈值的情况下，对所述控制网格进行更新，并执行所述基于所述控制网格对所述待配准点云进行B样条变换的步骤，直至所述配准程度大于或等于所述阈值，其中，根据上一次的控制网格、预设步长、所述配准程度及所述配准程度的梯度，确定下一次的控制网格。
2.如权利要求1所述的图像配准方法，其特征在于，所述方法还包括确定所述目标图像中的配准点的步骤；
所述确定所述目标图像中的配准点的步骤，包括：
计算所述第二点云中的任一点与所述第一点云中各点之间的距离，将所述第二点云中距离最小值对应的点作为所述配准点。
3.如权利要求1所述的图像配准方法，其特征在于，所述根据所述目标图像中的配准点与所述第一点云中各点之间的距离，对所述第一点云进行目标变换得到待配准点云，包括：
根据所述配准点与所述第一点云中各点之间的距离与预设范围的关系，确定所述目标变换；其中，所述目标变换包括平移和/或旋转；
基于所述目标变换对所述第一点云进行平移和/或旋转，得到所述待配准点云；
其中，所述待配准点云与所述第一灰度对应。
4.如权利要求1至3任一项所述的图像配准方法，其特征在于，所述方法还包括：
通过三维模型对所述待配准图像和所述目标图像进行重建分割，确定所述第一点云的位置和所述第一灰度，以及所述第二点云的位置和所述第二点云的第二灰度。
5.一种图像配准装置，其特征在于，包括：
图像获取模块，用于获取待配准图像和目标图像；其中，所述待配准图像包含相对应的第一点云的位置和第一灰度，所述目标图像包含第二点云的位置；
变换模块，用于根据所述目标图像中的配准点与所述第一点云中各点之间的距离，对所述第一点云进行目标变换得到待配准点云；
配准模块，用于基于所述待配准点云和所述第一灰度，对所述待配准图像和目标图像进行图像配准；
所述配准模块包括：
控制网格确定单元，用于根据预设配准精度，确定对所述待配准点云进行B样条变换的控制点对应的控制网格；其中，将待配准点云进行网格化处理，生成三维网格；
B样条变换单元，用于基于所述控制网格对所述待配准点云进行B样条变换，并对所述B样条变换后的结果进行灰度赋值；其中，利用三线性插值的方法对B样本变换的结果进行灰度赋值，将所述三维网格等分成n个单元的立体小格，每个小格都对应灰度值h(x,y,z)；将新位置f(x,y,z)作为插值点，利用三线性插值算法计算所述插值点的灰度值h，(x,y,z)；
配准程度确定单元，用于根据经过所述灰度赋值后的第三灰度与所述第二点云的第二灰度，确定所述待配准图像与所述目标图像的配准程度，包括：根据所述第二灰度与所述第三灰度的第一差值和所述第二灰度与所述第一灰度的第一差值的商，确定所述待配准图像与所述目标图像的配准程度；
控制网格更新模块，用于在所述配准程度小于阈值的情况下，对所述控制网格进行更新，并执行所述基于所述控制网格对所述待配准点云进行B样条变换的步骤，直至所述配准程度大于或等于所述阈值，其中，根据上一次的控制网格、预设步长、所述配准程度及所述配准程度的梯度，确定下一次的控制网格。
6.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的方法。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911182551.3A CN110930443B (zh) | 2019-11-27 | 2019-11-27 | 图像配准方法、装置及终端设备 |
| PCT/CN2020/129168 WO2021104089A1 (zh) | 2019-11-27 | 2020-11-16 | 图像配准方法、装置及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911182551.3A CN110930443B (zh) | 2019-11-27 | 2019-11-27 | 图像配准方法、装置及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110930443A CN110930443A (zh) | 2020-03-27 |
| CN110930443B true CN110930443B (zh) | 2023-04-07 |
Family
ID=69846677
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911182551.3A Active CN110930443B (zh) | 2019-11-27 | 2019-11-27 | 图像配准方法、装置及终端设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110930443B (zh) |
| WO (1) | WO2021104089A1 (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110930443B (zh) * | 2019-11-27 | 2023-04-07 | 中国科学院深圳先进技术研究院 | 图像配准方法、装置及终端设备 |
| CN114067555B (zh) * | 2020-08-05 | 2023-02-17 | 北京万集科技股份有限公司 | 多基站数据的配准方法、装置、服务器和可读存储介质 |
| CN113793370B (zh) * | 2021-01-13 | 2024-04-19 | 北京京东叁佰陆拾度电子商务有限公司 | 三维点云配准方法、装置、电子设备及可读介质 |
| CN114155376A (zh) * | 2021-11-05 | 2022-03-08 | 苏州微创畅行机器人有限公司 | 目标特征点提取方法、装置、计算机设备和存储介质 |
| CN114170565A (zh) * | 2021-11-09 | 2022-03-11 | 广州市鑫广飞信息科技有限公司 | 一种基于无人机航拍的图像对比方法、装置及终端设备 |
| CN114510679B (zh) * | 2021-12-15 | 2024-04-12 | 成都飞机工业（集团）有限责任公司 | 设备位置信息的获得方法、装置、终端设备以及存储介质 |
| CN115056213B (zh) * | 2022-02-18 | 2024-09-20 | 上海大学 | 一种面向大型复杂构件的机器人轨迹自适应修正方法 |
| CN114565648A (zh) * | 2022-02-28 | 2022-05-31 | 上海商汤临港智能科技有限公司 | 重建车位评测方法、装置、设备及存储介质 |
| CN115239776B (zh) * | 2022-07-14 | 2023-07-28 | 阿波罗智能技术(北京)有限公司 | 点云的配准方法、装置、设备和介质 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102169579A (zh) * | 2011-03-31 | 2011-08-31 | 西北工业大学 | 密集点云模型快速精确配准方法 |
| CN103310458B (zh) * | 2013-06-19 | 2016-05-11 | 北京理工大学 | 结合凸包匹配和多尺度分级策略的医学图像弹性配准方法 |
| US9972067B2 (en) * | 2016-10-11 | 2018-05-15 | The Boeing Company | System and method for upsampling of sparse point cloud for 3D registration |
| CN106934821B (zh) * | 2017-03-13 | 2020-06-23 | 中国科学院合肥物质科学研究院 | 一种基于icp算法和b样条的锥形束ct和ct图像配准方法 |
| CN109658515B (zh) * | 2017-10-11 | 2022-11-04 | 阿里巴巴集团控股有限公司 | 点云网格化方法、装置、设备及计算机存储介质 |
| KR20190120492A (ko) * | 2018-04-16 | 2019-10-24 | 한국전자통신연구원 | 실 공간 비강체의 가상 공간 정합 방법 및 장치 |
| CN108961256B (zh) * | 2018-07-05 | 2021-04-20 | 艾瑞迈迪医疗科技（北京）有限公司 | 图像分割方法、手术导航设备、电子设备及存储介质 |
| CN110930443B (zh) * | 2019-11-27 | 2023-04-07 | 中国科学院深圳先进技术研究院 | 图像配准方法、装置及终端设备 |
-
2019
- 2019-11-27 CN CN201911182551.3A patent/CN110930443B/zh active Active
-
2020
- 2020-11-16 WO PCT/CN2020/129168 patent/WO2021104089A1/zh active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021104089A1 (zh) | 2021-06-03 |
| CN110930443A (zh) | 2020-03-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110930443B (zh) | 图像配准方法、装置及终端设备 | |
| CN111028237B (zh) | 图像分割方法、装置及终端设备 | |
| WO2021104058A1 (zh) | 图像分割方法、装置及终端设备 | |
| CN110517759B (zh) | 一种待标注图像确定的方法、模型训练的方法及装置 | |
| CN110414631B (zh) | 基于医学图像的病灶检测方法、模型训练的方法及装置 | |
| CN108198191B (zh) | 图像处理方法及装置 | |
| CN110189246B (zh) | 图像风格化生成方法、装置及电子设备 | |
| CN109949271B (zh) | 一种基于医学图像的检测方法、模型训练的方法及装置 | |
| CN111060514B (zh) | 缺陷检测方法、装置及终端设备 | |
| JP2020523711A (ja) | 医療報告書の生成方法および装置 | |
| CN109741395B (zh) | 双心室量化方法、装置、电子设备及存储介质 | |
| CN110675334A (zh) | 一种图像增强方法及装置 | |
| TW202347180A (zh) | 影像處理模型的訓練方法 | |
| CN112215861A (zh) | 一种足球检测方法、装置、计算机可读存储介质及机器人 | |
| CN112288843A (zh) | 一种病灶的三维构建方法、装置、终端设备及存储介质 | |
| CN109064475A (zh) | 针对宫颈脱落细胞图像的图像分割方法和装置 | |
| CN113177592A (zh) | 一种图像分割方法、装置、计算机设备及存储介质 | |
| CN116071404A (zh) | 图像配准方法、装置、计算机设备和存储介质 | |
| CN110717405B (zh) | 人脸特征点定位方法、装置、介质及电子设备 | |
| CN113554741A (zh) | 一种对象三维重建的方法、装置、电子设备及存储介质 | |
| CN117649344B (zh) | 磁共振脑影像超分辨率重建方法、装置、设备和存储介质 | |
| CN111445547B (zh) | 一种基于神经网络的网格化磁共振图像重建方法和装置 | |
| CN110136061B (zh) | 一种基于深度卷积预测与插值的分辨率提升方法及系统 | |
| CN111160174A (zh) | 网络训练方法、车头朝向识别方法、装置及终端设备 | |
| WO2021184350A1 (zh) | 一种基于神经网络的网格化磁共振图像重建方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |